matlab-通过BP神经网络进行数据预测分别进行自己编程实现BP以及matlab工具箱实现BP-源码

clc; clear; close all; warning off; addpath(genpath(pwd)); tic; % 导入训练数据 num = [0;0;0;0;0;0;0;0;0;0;0;0;6;6;5;20;16;15;31;79;110;103;119;123;55;262;455;720;393;244;950;895;1823;3775;4008;5357;7123;14961;11947;11238;17511;18313;20400;18353;20550;26245;19543;29251;20871;34676;31156;30784;30710;36082;33649;37455;30881;26163;25101;20502;39789;20181;30593;41672;21055;14191;27434;36863;17165;28436;34567;34200;33734;35097;47237;33433;34009;32693;27901;24856;25108;23051;31697;30635;23117;23153;16141;21280;6259;20018;22939;24284;25697;46807;21293;20923;28223;25401;21785;18842;20820;18909;17353;19991;25076;24278;25895;22153;14966]'; time = 1:length(num); data = [time;num]; [data_m,data_n] = size(data);%获取数据维度 index = randperm(data_n);%生成随机序列索引 P = 80;%百分之P的数据用于训练，其余测试 Ind = ceil(P * data_n / 100); train_index = sort(index(1:Ind));%前60为训练集序列 test_index = sort(index(Ind+1:end));%其余为测试集序列 train_data = data(1,train_index);%由索引获取训练集数据 train_result = data(2,train_index); test_data = data(1,test_index);%由索引获取测试集数据 test_result = data(2,test_index); [InDim,TrainSamNum] = size(train_data);% 学习样本数量 [OutDim,TrainSamNum] = size(train_result); HiddenUnitNum = 20; % 隐含层神经元个数 SamIn = mapminmax(train_data,0,1); % 原始样本对（输入和输出）初始化 [SamOut,PS] = mapminmax(train_result,0,1); MaxEpochs = 300000; % 最大训练次数 lr = 1e-3; % 学习率 E0 = 5e-2; % 目标误差 W1 = rand(HiddenUnitNum, InDim); % 初始化输入层与隐含层之间的权值 B1 = rand(HiddenUnitNum, 1); % 初始化输入层与隐含层之间的阈值 W2 = rand(OutDim, HiddenUnitNum); % 初始化输出层与隐含层之间的权值 B2 = rand(OutDim, 1); % 初始化输出层与隐含层之间的阈值 ErrHistory = zeros(MaxEpochs, 1); m = 1; for i = 1 : MaxEpochs HiddenOut = logsig(W1 * SamIn + repmat(B1, 1, TrainSamNum)); % 隐含层网络输出 NetworkOut_test = W2 * HiddenOut + repmat(B2, 1, TrainSamNum); % 输出层网络输出 Error = SamOut - NetworkOut_test; % 实际输出与网络输出之差 SSE = sumsqr(Error); % 能量函数（误差平方和） ErrHistory(i) = SSE; if SSE < E0 break; end % 权值（阈值）依据能量函数负梯度下降原理所作的每一步动态调整量 Delta2 = Error; Delta1 = W2' * Delta2 .* HiddenOut .* (1 - HiddenOut); dW2 = Delta2 * HiddenOut'; dB2 = Delta2 * ones(TrainSamNum, 1); dW1 = Delta1 * SamIn'; dB1 = Delta1 * ones(TrainSamNum, 1); % 对输出层与隐含层之间的权值和阈值进行修正 W2 = W2 + lr * dW2; B2 = B2 + lr * dB2; % 对输入层与隐含层之间的权值和阈值进行修正 W1 = W1 + lr * dW1; B1 = B1 + lr * dB1; if mod(i,MaxEpochs/200)==0 mean_Error(m) = abs(mean(mean(Error)));%平均误差 fprintf('经%d次训练，误差为%f，用时%fs\n\n',i,SSE,toc); E_rr(m) = SSE;%误差 m = m + 1; end end Forcast_data = mapminmax('reverse',NetworkOut_test,PS);% 反归一化输出层输出最终结果 figure subplot(3,1,1); plot(E_rr,'r') title('误差迭代曲线') subplot(3,1,2); plot(train_result,'o:','LineWidth',1.5) hold on plot(Forcast_data,'*-','LineWidth',1.5); title('训练集拟合效果图') legend('真实值','拟合值') % 利用训练好的网络进行预测 [OutDim,ForcastSamNum] = size(test_result); SamIn_test= mapminmax(test_data,0,1); % 原始样本对（输入和输出）初始化 HiddenOut_test = logsig(W1 * SamIn_test + repmat(B1, 1, ForcastSamNum)); % 隐含层输出预测结果 NetworkOut_test = W2 * HiddenOut_test + repmat(B2, 1, ForcastSamNum); % 输出层输出预测结果 Forcast_data_test = mapminmax('reverse',NetworkOut_test,PS); subplot(3,1,3); plot(test_result,'o:','LineWidth',1.5) hold on plot(Forcast_data_test,'*-','LineWidth',1.5); title('测试集预测效果图') legend('真实值','预测值') toc